針對(duì)目前特征+模型的預(yù)測(cè)方案在金融時(shí)序數(shù)據(jù)上預(yù)測(cè)精度不足的問(wèn)題,提出一種基于變分模態(tài)分解的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)-因子分解機(jī)雙通道融合模型.首先利用變分模態(tài)分解分解金融時(shí)序數(shù)據(jù),得到能表現(xiàn)時(shí)序數(shù)據(jù)趨勢(shì)和變化信息的模態(tài),接著將模態(tài)信息輸入到長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)-因子分解機(jī)雙通道融合模型中,長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)得到數(shù)據(jù)的時(shí)序特征,因子分解機(jī)得到數(shù)據(jù)的交互特征,通過(guò)改進(jìn)的局部連接層融合,使模型能同時(shí)表達(dá)數(shù)據(jù)的時(shí)序特征和交互特征,提升時(shí)序數(shù)據(jù)預(yù)測(cè)的效果.以滬深300指數(shù)和標(biāo)普500指數(shù)的數(shù)據(jù)為例,對(duì)所提模型進(jìn)行驗(yàn)證,結(jié)果表明其在預(yù)測(cè)性能和泛化性能上都有明顯的優(yōu)勢(shì). 

【文章來(lái)源】：小型微型計(jì)算機(jī)系統(tǒng). 2020,41(06)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
1 引言
2 模型構(gòu)建方法
    2.1 預(yù)測(cè)模型的建立
    2.2基于變分模態(tài)分解的信號(hào)分解
    2.3 因子分解機(jī)層
    2.4 LSTM層
    2.5 卷積融合層
3 實(shí)驗(yàn)分析
    3.1 數(shù)據(jù)來(lái)源
    3.2 VMD信號(hào)分解
    3.3 評(píng)價(jià)指標(biāo)
    3.4 實(shí)驗(yàn)及對(duì)比實(shí)驗(yàn)的設(shè)置
        3.4.1 單通道模型
        3.4.2 雙通道模型
    3.5 實(shí)驗(yàn)結(jié)果與對(duì)比分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]FEPA-金融時(shí)間序列自適應(yīng)組合預(yù)測(cè)模型[J]. 潘和平,張承釗.  中國(guó)管理科學(xué). 2018(06)
[2]基于VMD-SE和機(jī)器學(xué)習(xí)算法的短期風(fēng)電功率多層級(jí)綜合預(yù)測(cè)模型[J]. 張亞超,劉開(kāi)培,秦亮.  電網(wǎng)技術(shù). 2016(05)
[3]EMD結(jié)合RBF神經(jīng)網(wǎng)絡(luò)新混合模型及股指期貨價(jià)格預(yù)測(cè)[J]. 史文靜,高巖.  經(jīng)濟(jì)數(shù)學(xué). 2015(01)
[4]基于時(shí)間序列GARCH模型的人民幣匯率預(yù)測(cè)[J]. 惠曉峰,柳鴻生,胡偉,何丹青.  金融研究. 2003(05)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的股市建模與決策[J]. 禹建麗,孫增圻,Valeri.Kroumov,成久洋之,劉治軍.  系統(tǒng)工程理論與實(shí)踐. 2003(05)
[6]非線(xiàn)性GARCH模型在中國(guó)股市波動(dòng)預(yù)測(cè)中的應(yīng)用研究[J]. 劉國(guó)旗.  統(tǒng)計(jì)研究. 2000(01)



本文編號(hào)：3157836